《智能控制课后答案》由会员分享，可在线阅读，更多相关《智能控制课后答案（8页珍藏版）》请在金锄头文库上搜索。
1、1、神经元的种类有哪些？它们的函数关系如何?一、神经元模型神经元模型是生物神经元的抽象和模拟。它是模拟生物神经元的结构和功能、并从数学 角度抽象出来的一个基本单元。它是神经网络的最基本的组成部分。神经元一般是多输入-单输出的非线性器件。模型可以描述为Net =Z w x + s - 0，ij j ，u = f (Net )y. = g (u ) = h (Net )假设 g (u ) = u，即 y = f (Net )iiiiu为神经元的内部状态；0为阀值；x为输入信号，j = 1,., n ； w为表示从u单元iiii.jj到u单元的连接权系数；s为外部输入信号。常用的神经元非线性特性有以
2、下四种(1) 阀值型1 Net 00 Net 0f Neti阀值函数（2）分段线性型0 Net Netf （Net ） = kN et Net Net Netf I fmax*州确 NetH Neti线性函数（3）Sigmoid 函数型f （Net）=二1 + e t7A7NeTef （屈）=二侦i_ i2、为什么由简单的神经元连接而成的神经网络具有非常强大的功能？神经系统是一个高度复杂的非线性动力学系统，虽然每一个神经元的结构和功能十分简 单，但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的。从神经元模型角度来看，有线性处理单元和非线性处理单元。从网络结构方面来看，有：前向网络、反
3、馈网络和自组织网络。3、神经网络按连接方式分有哪几类，按功能分有哪几类、按学习方式分又有哪几类？神经网络按连接方式？神经网络按连接方式分神经网络是由通过神经元的互连而达到的。根据神经元的连接方式的不同，神经网络可 分为以下四种形式：（1）前向网络 由输入层、隐含层和输出层组成。每一层只接受前一层神经元的输入。各神经元之间不存在反馈。属于层次型网络。（2）反馈网络只在输出层到输入层存在反馈，即每一个输入节点都有可能接受来 自外部的输入和来自输出神经元的反馈。属于层次型网络。输 出输入反馈网络（3）相互结合型网络这种神经网络在任意两个神经元之间都可能有连接。在这个 状态中，信号要在神经元之间反复往
4、返传递，网络处在一种不断改变状态的动态之中，从某 种初态开始，经过若干次的变化，才会达到某种平衡状态。属于网状结构网络。输入相互结合型网络（4）混合型网络通过同一层内神经元的相互结合，可以实现同一层内神经元之间 的横向抑制或兴奋机制。这样可以限制每层内能同时动作的神经元数，或者把每层内的神经 元分为若干组，让每组作为一个整体来动作。它是层次型网络和网状结构网络的一种结合。神经网络按功能分有哪几类、神经网络将神经元按功能和顺序的不同分为输出层、中间层（隐层）、输出层。输出层各神 经元负责接收来自外界的输入信息，并传给中间各隐层神经元；隐层是神经网络的内部信息 处理层，负责信息变换。根据需要可设计
5、为一层或多层；最后一个隐层将信息传递给输出层 神经元经进一步处理后向外界输出信息处理结果。神经网络按按学习方式分又有哪几类?有导师学习和无导师学习。4、如图4-24所示的多层前向传播神经网络结构。假设对于期望的输入x , x = 1 3 ,y ,y = 0.90.3。网络权系数的初始值见图。试用BP算法训练此网12d 1 d 2络。并详细写出第一次迭代学习的计算结果。这里，取神经元激励函数f （x） = L。学 1 + e - x习步长为门=1。最大迭代次数为iterafe max。误差为e。（四舍五入，精确到小数后1位）神经网络结构图解输入最大容许逼近误差值e和最大迭代学习次数iterate
6、 max。置初始迭代学习次数 iterate = 0。(1).置各权值或阈值的初始值：w (0),0.(0)为小的随机数值;回顾：单一人工神经元有线性和非线性(1) 单一人工神经元线性单一人工神经元示意图(线性)单一人工神经元的示意图最简单的人工神经元输入和输出数学表示：假设输入项Net由输入信号气。=1,2，,n)的线性组合构成，即Net =9 + 乙w xi=1七是决定第j个输入的突触权系数。9 0为阀值；神经元的平衡态输出y为y = b (9 + Y w x )0. i i式中Q (X)表示神经元的激励函数前面假设输入项Net是输入信号的线性函数。一般情况下，Net是输入信号的非线性函
7、数。因此本题的权值w1，w1，w1111210，w 1.，w 1，w1图4-15 例4-1的神经网络结构图（2）.提供训练样本：输入矢量：X k = 1,2,., P ;期望输出：七,k = 1,2,., P ；对每个 输入样本进行下面iterate max的迭代;气, = 1 3（3）.计算网络的实际输出及隐层单元的状态:o = f （Z w o + 0 ）kj jji 如 ji因为X, %T = 1 3 Tnet1112 2+ W 110=1Qx + (- 2) Ox + 103 = - 2net 12W1 X + W1 X + W121 122 2202 Ox + (0) Ox + 10
8、( - 1) = 111=0.11921 + e - net11 + e2o=11 =0.73111 + e -ne 21 + e-1net 21W 2 o + W 2 o + W 211 112 210=10o. + (0) 0o + 2 X 1 = 2.1192net 2 = W 2 o + W 2 o + W 2221 122 22010o. + (- 2) 0o - 3 x 1 = -4.34301y = 0.8928y = 0.0128(4) .计算训练误差:b = o (1 o )(t o )(输出层)kj kjkj kj kjb= o (1 o ) b w (隐含层)m1)输出层
9、5 2 = (y y ) f(net 2) = (y y ) y (1 y ) = 6.8910e-0041 d 111d 11115 2 = (y y ) f(net2) = (y y ) y (1 y ) = 0.00362 d222d22222)隐含层= 5 2 w2 o (1 o )= k k 1 1k=(6.8910e-00451(5 2 w2 + 5 2 w2 ) o (1 o )11122111x 1 + (0.0036) x 1) x 0.1192 x (1 0.1192)=4.5032e-004512k k2 2(1 o ) = (5 2 w2 + 5 2 w2 ) o (1
10、 o )211222222=(6.8910e-004 x 0 + (0.0036) x (2) x 0.7311 x (1 0.7311)-0.0014(5) .修正权值和阈值:w (t + 1) = w (t) + b o +a w (t) w (t 1) jijij kijiji0 . (t + 1) = 0 . (t) +门b . +a 0 . (t) 0 . (t 1) w111=门5 - x.=4.5032e-004x 1 = 4.5032e-004 w112=门5 - x=4.5032e-004x 3 = 0.0014 w110=门5 1 =4.5032e-004 w 2 =苹；x
11、 = (-0.0014) x 1 = -0.0014 wi =51 x = (-0.0014) x 3 = 0.0042 w 1 =5 1 = -0.0014 w2 =门5;o. = 6.8910e-004 x 0.1192 = 8.2141e-005 w2 =门8.2。= 6.8910e-004 x 0.7311 = 5.0380e-004 w2 =苹 2 = 6.8910e-004 w2 =5 2o = 0.0036 x 0.1192 = 4.2912e-004 w2 =5 2o = 0.0036 x 0.7311 = 0.0026 w2 =n 2 = 0.0036wl (iterate + 1) = wl (iterate ) + wll = 1,2; i = 0,1, 2; j = 1,2(6) .当k每经历1P后，判断指标是否满足精度要求：E ； :精度判断神经网络逼近误差满足要求或迭代学习达到最大容许否？|t 一 y | iteratemaxiterate = iterate + 1 ；继续迭代计算直至满足终止条件为止。(7) .结束。
